随着国家积极推进城市基础设施建设,电力管廊建设已成为我国城市基础设施建设的重要工程,如何高效的进行管廊巡检与维护成为了一个重点问题。为尽早排除隐患,提升可靠性,降低人工巡检强度,在线监测系统和电缆隧道巡检无人机开始辅助人工巡检电缆隧道。在巡检中使用无人机进行图像采集与分析,目前存在的难点是无人机因拍摄环境和拍摄设备限制使观测数据存在严重失真。本文以电缆隧道巡检为应用场景,以图像增强需求为目标,主要工作及贡献包括:（1）针对电缆隧道巡检的现状进行分析,讨论各种巡检方式的优缺点后,分析无人机在巡检过程中采集图像存在的运动模糊、高噪、雾化等问题进而提出具体的图像增强需求。（2）针对电缆隧道巡检中因为隧道环境潮湿导致的雾化问题,首先分析了雾化图像产生的具体原因和原理。在此基础上,选用了限制对比度自适应直方图均衡（Contrast Limited Adaptive Histogram Equalization,CLAHE）去模糊算法对电缆隧道巡检中的雾化图像进行处理,并使用暗通道先验和CLAHE算法对图像做增强效果对比,实验结果表明CLAHE的方法能够有效处理雾化图像。（3）针对电缆隧道巡检中因为摄像头抖动等导致的运动模糊问题,首先分析了运动模糊产生的原因并建立其退化的数学模型。在此基础上,使用基于R-L算法和深度学习的方法分别对巡检图像进行去模糊处理。结果表明基于深度学习的方法效果能有效去除运动模糊。（4）针对光源限制导致的低照度图像的高噪问题。首先使用BM3D去噪方法对图像,其效果无法满足巡检需求,仍然噪声偏多。在此基础上提出一种改进的Unet算法,通过大量基于真实场景的数据集训练神经网络,最后实验结果表明,改进的算法对比传统方法能有更好的去噪效果,且在提亮方面更有优势,能满足巡检需求。